Python 匹配器，用于从点列表（不同长度）而不是图像中查找单影

Tl；博士
我想使用

bf.matcher

，而不使用sift、surf或任何这些方法。我只想匹配两组不同长度的点。
知道怎么做吗

---

你好,

我有一张照片，其中我检测到一些不同物体的近似中心（使用自定义方法）。我没有检测到所有的异常值，并且存在一些异常值。
我知道这些物体在现实世界中的位置

现在，我想将这些近似位置与真实世界的位置进行匹配。最终目标是在我的图像（像素）中设置真实世界的坐标系（米）。
我想我只是想在我的两个集合之间找到一个单应，对吗

# Let's say for example that my set of image coordinates is:
Xim = [735, 760, 610, 462]
Yim = [-685, -631, -485, -319]

# And that they have to be matched with:
Xreal = [0.75, 0.875, 0.125, -0.625, -0.125, 0.25]
Yreal = [1.625, 1.875, 2.625, 3.5, 4.25, 4.75]

如果我想使用opencv函数

cv2.findHomography

，我需要在两个集合中拥有相同数量的点。所以我要测试每个可能的点组合（

6这里选择4=15

），计算它们的单应矩阵，然后选择失真最小的一个

import itertools
import numpy as np
import cv2

# I need 4 points in both sets, so I'm trying all combinations:
Xreal_test=[]; Yreal_test = []
combin = itertools.combinations(np.arange(len(Xreal)),len(Xim))
for k,c in enumerate(combin):
    Xreal_test = Xreal_test + [[Xreal[list(c)[i]] for i in range(len(list(c)))]]
    Yreal_test = Yreal_test + [[Yreal[list(c)[i]] for i in range(len(list(c)))]]


# Formatting the sets that way cv2.findHomography wants them, and calculate homography
H=[]
pts_xim = np.array([[Xim[x],Yim[x]] for x in range(len(Xim))])
for i in range(len(Xreal_test)):
    pts_xreal = np.array([[Xreal_test[i][x],Yreal_test[i][x]] for x in range(len(Xim))])
    # Calculate homography
    h, _ = cv2.findHomography(pts_xreal, pts_xim, cv2.RANSAC)
    H = H + [h]

就这样
但当然，我还有更多的观点，尝试所有组合都会非常消耗资源（如果不是愚蠢的话）

因此，我不想为所有可能的组合计算单应性，而是想使用稍微少一点的“暴力”，例如使用

bf.Matcher（）

这就是我现在的位置。我知道如何使用图像，但不知道如何使用一组点（这应该更容易）。通过以下方法可以从图像中查找同音字：

img1 = cv2.imread('box.png',0)         
img2 = cv2.imread('box_in_scene.png',0)

surf = cv2.xfeatures2d.SURF_create()
kp1, des1 = surf.detectAndCompute(img1,None)
kp2, des2 = surf.detectAndCompute(img2,None)

bf = cv2.BFMatcher()
matches = bf.knnMatch(des1,des2, k=2)

good = []
for m,n in matches:
    if m.distance < 0.7*n.distance:
        good.append(m)
src_pts = np.float32([ kp1[m.queryIdx].pt for m in good ]).reshape(-1,1,2)
dst_pts = np.float32([ kp2[m.trainIdx].pt for m in good ]).reshape(-1,1,2)

h, mask = cv2.findHomography(src_pts, dst_pts, cv2.RANSAC,5.0)

img1=cv2.imread（'box.png'，0）
img2=cv2.imread（_scene.png中的框，0）
surf=cv2.xfeature2d.surf_create（）
kp1，des1=表面检测和计算（img1，无）
kp2，des2=表面检测和计算（img2，无）
bf=cv2.BFMatcher（）
匹配=bf.knnMatch（des1，des2，k=2）
好的=[]
对于匹配中的m，n：
如果m.距离<0.7*n.距离：
好。追加（m）
src_pts=np.float32（[kp1[m.queryIdx].pt代表m处于良好状态]）。重塑（-1,1,2）
dst_pts=np.float32（[kp2[m.trainIdx].pt代表m处于良好状态]）。重塑（-1,1,2）
h、 掩模=cv2.findHomography（src_pts，dst_pts，cv2.RANSAC，5.0）

kp，des=surf.detectAndCompute（img，None）

提供两个输出，

关键点和
描述符。我不需要使用surf（或sift，或orb）来解决我的问题，但是我需要向bf.matcher提供描述符。
知道如何使用一组预定义的点来完成吗？

提前谢谢
 所以你想使用“更少的暴力”并使用暴力匹配器我认为它使用了一个描述符，这让它在某种程度上减少了暴力？我必须说我不太清楚它是如何工作的。我只知道，蛮力匹配器似乎仍然工作得很好，还有50多分要匹配。另一方面，如果我尝试所有的组合，比如说，我有20个检测点要在40个真实世界的点中匹配，那么它将测试137 846 528 820个组合。在我看来这是天文学，不是吗？或者，我可以使用flann匹配器，但我有相同的问题：它需要输入描述符，而我没有。只需使用图像和地面上相应控制点的列表，进行简单的透视变换，扭曲一幅图像以匹配地面。问题是，如果我想执行
cv2.getPerspectiveTransform（pts_xim，pts_xreal）
，我仍然需要在两幅图像中具有相同数量的点。所以我需要对所有图像点和真实点的组合进行透视变换，这是非常巨大的。。。另外，我相信在我的例子中，使用
findHomography
更好，因为与
getPerspectiveTransform
不同，我不需要按正确的顺序获取点。